Il 2023 si può dire che sia stato l’anno dell’intelligenza artificiale, che è riuscita ad insinuarsi in ogni momento della vita degli esseri umani e non solo, sia a scopo ricreativo che per ragioni più importanti.
Intelligenza artificiale: un 2023 da protagonista
Grandi modelli linguistici come quelli dietro ChatGPT hanno alimentato molta di questa eccitazione, anche se i ricercatori faticavano ancora ad capire la dinamica che descrive il loro funzionamento interno.
Anche i sistemi di generazione delle immagini ci impressionavano e turbavano abitualmente con le loro capacità artistiche, tuttavia queste erano esplicitamente fondate su concetti presi in prestito dalla fisica.
L’anno ha portato molti altri progressi oltre che dell’intelligenza artificiale, nell’informatica in generale: i ricercatori hanno compiuto progressi sottili ma importanti su uno dei problemi più antichi del settore, una domanda sulla natura dei problemi difficili denominata “P contro NP”.
Ad agosto Ben Brubaker ha esplorato questo problema fondamentale e i tentativi dei teorici della complessità computazionale di rispondere alla domanda: perché è difficile (in senso quantitativo preciso) capire cosa rende difficili i problemi difficili?
“Non è stato un viaggio facile: il percorso è disseminato di false svolte e blocchi stradali, e ritorna su se stesso ancora e ancora“, ha raccontato Brubaker. “Tuttavia, per i ricercatori della metacomplessità, quel viaggio in un paesaggio inesplorato è già una ricompensa”.
L’anno dell’intelligenza artificiale è stato altresì ricco anche di progressi individuali più discreti ma pur sempre importanti. L’algoritmo di Shor, la killer app dell’informatica quantistica promessa da tempo, ha ottenuto il suo primo aggiornamento significativo dopo quasi 30 anni.
I ricercatori hanno finalmente imparato come trovare il percorso più breve attraverso un tipo generale di rete quasi alla velocità teoricamente possibile . E i crittografi, creando una connessione inaspettata con l’intelligenza artificiale, hanno mostrato come anche i modelli di machine learning e i contenuti generati dalle macchine debbano fare i conti con vulnerabilità e messaggi nascosti.
Per 50 anni, gli informatici hanno cercato di risolvere la più grande questione aperta nel loro campo, nota come “P contro NP”. Chiede, più o meno, quanto siano difficili certi problemi difficili. E per 50 anni i loro tentativi si sono conclusi con un fallimento.
Molte volte, proprio quando cominciavano a fare progressi con un nuovo approccio, si scontravano con un ostacolo che dimostrava che la tattica non avrebbe mai funzionato. Alla fine, iniziarono a chiedersi perché è così difficile dimostrare che alcuni problemi sono difficili. I loro studi per rispondere a queste domande interiori sono sbocciati in un sottocampo, chiamato meta-complessità, che ha fornito le più grandi intuizioni finora sulla questione.
Le molecole d’acqua creano onde, stormi di uccelli piombano e si librano in volo all’unisono e gli atomi inconsci si uniscono nella vita. Gli scienziati chiamano questi “comportamenti emergenti” e recentemente hanno visto la stessa cosa accadere con modelli linguistici di grandi dimensioni: programmi di intelligenza artificiale addestrati su enormi raccolte di testo per produrre una scrittura simile a quella umana.
Dopo aver raggiunto una certa dimensione, questi modelli possono improvvisamente fare cose inaspettate che i modelli più piccoli non possono fare, come risolvere alcuni problemi di matematica.
L’aumento dell’interesse per i grandi modelli linguistici ha sollevato nuove preoccupazioni. Questi programmi inventano falsità, perpetrano pregiudizi sociali e non riescono a gestire nemmeno alcuni degli elementi più elementari del linguaggio umano. Inoltre, questi programmi rimangono da decodificare, poiché la logica interna è inconoscibile, sebbene alcuni ricercatori abbiano idee su come cambiarla.
Gli informatici conoscono da tempo algoritmi che possono sfrecciare attraverso i grafici dove le connessioni hanno un certo costo, come una strada a pedaggio che collega due città. Ma per decenni non sono riusciti a trovare alcun algoritmo veloce per determinare il percorso più breve quando una strada poteva avere un costo o una ricompensa. Alla fine dell’anno scorso, un trio di ricercatori ha realizzato un algoritmo praticabile che è quasi il più veloce teoricamente possibile.
A marzo, i ricercatori hanno pubblicato un nuovo algoritmo in grado di determinare quando due tipi di oggetti matematici noti come gruppi sono gli stessi in modo preciso; il lavoro potrebbe portare ad algoritmi in grado di confrontare rapidamente gruppi (e forse altri oggetti) più in generale, un compito sorprendentemente difficile.
Altre grandi novità relative agli algoritmi di quest’anno includono un nuovo modo di calcolare i numeri primi incorporando approcci casuali e deterministici, la confutazione di una congettura di vecchia data sulle prestazioni degli algoritmi con informazioni limitate e un’analisi che mostra come un’idea non intuitiva può migliorare la capacità di calcolo dei numeri primi. Prestazioni degli algoritmi di discesa del gradiente, che sono onnipresenti nei programmi di intelligenza artificiale e in altre aree.
Quest’anno gli strumenti per la generazione di immagini come DALL·E 2 hanno registrato un’esplosione di popolarità. Basta dare loro un messaggio scritto e ti restituiranno un quadro artistico raffigurante qualunque cosa tu abbia richiesto. Ma il lavoro che ha reso possibile la maggior parte di questi artisti artificiali era in preparazione già da molti anni.
Basati su concetti fisici che descrivono la diffusione dei fluidi, questi cosiddetti modelli di diffusione basati sull’, intelligenza artificiale imparano effettivamente come decodificare il rumore informe in un’immagine nitida, come se si riportasse indietro l’orologio su una tazza di caffè per vedere la crema uniformemente distribuita ricostituirsi in una crema ben distribuita.
Gli strumenti di intelligenza artificiale sono riusciti anche a migliorare la fedeltà delle immagini esistenti, anche se siamo ancora lontani dal luogo comune televisivo di un poliziotto che grida ripetutamente “Migliora!” Più recentemente, i ricercatori si sono rivolti ai processi fisici oltre alla diffusione per esplorare nuovi modi in cui le macchine possono generare immagini.
Un approccio più recente governato dall’equazione di Poisson, che descrive come le forze elettriche variano sulla distanza, si è già dimostrato più capace di gestire gli errori ed è più facile da addestrare rispetto ai modelli di diffusione, in alcuni casi.
Con una scoperta insolita all’intersezione tra crittografia e intelligenza artificiale, un team di informatici ha dimostrato che era possibile inserire nei modelli di apprendimento automatico alcune backdoor praticamente invisibili, la cui inosservabilità era supportata dalla stessa logica dei migliori metodi di crittografia moderni.
I ricercatori si sono concentrati su modelli relativamente semplici, quindi non è chiaro se lo stesso valga per i modelli più complicati alla base di gran parte della tecnologia sull’intelligenza artificiale di oggi. Ma i risultati suggeriscono modi in cui i futuri sistemi possono proteggersi da tali vulnerabilità della sicurezza, segnalando anche un rinnovato interesse su come i due campi possono aiutarsi a vicenda a crescere.
Questo tipo di problemi di sicurezza sono parte del motivo per cui Cynthia Rudin ha sostenuto l’utilizzo di modelli interpretabili per comprendere meglio cosa sta succedendo all’interno degli algoritmi sviluppati dall’intelligenza artificiale.
I ricercatori come Yael Tauman Kalai, nel frattempo, hanno fatto avanzare le nostre nozioni di sicurezza e privacy, anche di fronte all’incombente tecnologia quantistica. E un risultato nel campo correlato della steganografia ha mostrato come nascondere un messaggio con perfetta sicurezza all’interno dei media generati dalle macchine.
Per quanto potente sia diventata l’intelligenza artificiale, le reti neurali artificiali che sono alla base della maggior parte dei sistemi moderni condividono due difetti: richiedono enormi risorse per addestrarsi e funzionare, ed è troppo facile per loro diventare scatole nere imperscrutabili.
Molti ricercatori sostengono che forse è giunto il momento di adottare un altro approccio. Invece di utilizzare neuroni artificiali che rilevano tratti o caratteristiche individuali, i sistemi di intelligenza artificiale potrebbero rappresentare concetti con infinite variazioni di vettori iperdimensionali, matrici di migliaia di numeri.
Questo sistema è più versatile e meglio attrezzato per gestire gli errori, rendendo i suoi calcoli molto più efficienti, e consente ai ricercatori di lavorare direttamente con le idee e le relazioni prese in considerazione da questi modelli, fornendo loro una maggiore comprensione del ragionamento del modello. Il calcolo iperdimensionale è ancora agli inizi, ma man mano che verrà sottoposto a test più ampi, potremmo vedere il nuovo approccio iniziare a prendere piede.
